OCR Landscape 2026 — Recap cho Lumina-Wiki Phase C

Brainstorm Local Doc Ingestion · 2026-05-07 · Audience target: phổ thông · Constraint: zero-bundle, opt-in, no native deps

Quyết định: Default Mistral OCR 3 API cho opt-in tier. Free tier dùng Vision-passthrough của agent host (Phase B). Tesseract, EasyOCR, Docling loại khỏi roadmap. Self-host olmOCR-2 chỉ document tham khảo cho power user — không bundle.

1. Bảng so sánh tổng — 12 lựa chọn OCR 2026

★★★★★ phù hợp Lumina ★★★ trade-off ★ không phù hợp CHOSEN đã chốt
Phương án Loại Quality (scanned) Giá / 1K pages Install friction Markdown out Multilingual Privacy Verdict Lumina
Vision-passthrough
Claude/Gemini/GPT host		 VLM của host 90–94% $0 (token host) Zero Native Excellent Theo host user PHASE B
Mistral OCR 3 API Cloud VLM-OCR SOTA (96.6% tables, 88.9% handwriting) $1 (batch) API key Native Excellent Cloud (EU option) PHASE C DEFAULT
Google Vision Cloud OCR Top printed media $1.50 (1K free/mo) API key + GCP project Không Tốt Cloud ★★★ tier zero-cost option
Azure Document Intelligence Cloud OCR Solid baseline $1.50 – $15 API key + Azure Có Tốt Cloud ★★ thua Mistral mọi mặt
AWS Textract Cloud OCR Tables/forms tốt $1.50 – $65 AWS account + IAM JSON, không markdown Tốt Cloud ★ đắt 65× Mistral
olmOCR-2 (Allen AI) Self-host VLM SOTA (82.4 olmOCR-Bench) $0 + GPU điện GPU + 15GB model Native Excellent Local ★★ document, không bundle
DeepSeek-OCR
3B MoE, 570M active		 Self-host VLM + context compression Vượt MinerU2.0 với ít token hơn (OmniDocBench) $0 + GPU điện GPU A100, model weights HF Có Tốt Local ★★ document, novelty: optical context compression
PaddleOCR-VL 7B Self-host VLM Top OmniDocBench (92.86) $0.09 self-host GPU + Paddle stack Có Excellent (CN strong) Local ★★ document only
Docling (IBM) Pipeline OSS Tốt digital-born, kém scanned $0 Python + 150MB Granite model Native Trung bình Local ★ kém scanned, install nặng
Surya / Marker (datalab) Pipeline OSS Layout tốt, 90+ ngôn ngữ $0 Python ML stack Có Excellent Local ★ dev tool, không non-tech
EasyOCR / PaddleOCR (non-VL) OCR cổ điển + ML ~75–85% $0 40MB models auto-pull Không Tốt Local ★ thua VLM-OCR rõ rệt
Tesseract (pytesseract) OCR truyền thống 60–75% $0 Binary cài tay (brew/apt/choco) Không Cần tessdata Local ★ owner reject

2. So sánh giá — chi phí thực tế 1K & 100K pages/month

Service 1K pages 10K pages 100K pages 50K invoices/month (advanced) Note
Mistral OCR 3 (batch) $1 $10 $100 $50 Markdown native, 96.6% tables
Google Vision Free (tier) $13.50 $148.50 ~$200 1K free/feature/mo vĩnh viễn
Azure DI $1.50 $15 $150 ~$300 Layout add-on tốn thêm
AWS Textract advanced $65 $650 $6,500 $3,250 97% đắt hơn Mistral
olmOCR self-host (GPU $0.5/h) ~$2 (điện) ~$20 ~$200 ~$100 Cộng setup time + GPU hardware

3. Decision matrix — runtime của /lumi-ingest

Input: ảnh / scanned PDF │ ├── docs-ocr pack chưa cài? │ └─→ Vision-passthrough (Phase B) [DEFAULT, FREE] │ ├── docs-ocr pack cài + MISTRAL_API_KEY trong .env? │ └─→ Mistral OCR 3 API [PHASE C DEFAULT] │ └── docs-ocr pack cài + LUMINA_OCR_ENDPOINT trong .env? └─→ Self-host endpoint (olmOCR / PaddleOCR-VL) [POWER USER]

3-tier rõ ràng. Free path luôn có. Opt-in nâng cấp khi cần volume / structured output / privacy cloud-EU.

4. Tại sao Mistral OCR 3 — 6 lý do brutal

1. Rẻ nhất thị trường

$1/1K pages batch. AWS Textract advanced $65 — chênh 65×. 50K invoices/tháng: $50 vs $3,250.

2. Quality top-tier

96.6% tables (vs Textract 84.8%), 88.9% handwriting (vs Azure 78.2%). Lead double-digit.

3. Markdown native

Output trực tiếp dùng được trong wiki, không phải parse JSON như Textract / Azure.

4. Multilingual mạnh

VI / EN / ZH OK ngay. Không cần tessdata, không cần model tải về.

5. Pattern đã có sẵn

.env + MISTRAL_API_KEY giống research pack. /lumi-ocr-setup validate key trong <5s.

6. Free tier để thử

User test trước khi nạp tiền. Không bắt cam kết.

5. Tại sao loại các tùy chọn khác

Phương ánLý do loại
TesseractOwner đã reject. Quality 60-75%, binary cài tay phá audience phổ thông, output plain text không cấu trúc.
EasyOCR / PaddleOCR (non-VL)Auto-pull 40MB model — opaque, không transparent. Quality thua VLM-OCR thế hệ 2026.
DoclingMarkdown-first nhưng kém scanned/handwritten — exactly use case của OCR pack.
Surya / Marker / Nougat / MinerUDev tool. Cần Python ML stack, GPU khuyến nghị. Non-tech user không cài được.
AWS TextractĐắt 15-65× Mistral với quality không hơn. Setup IAM phức tạp.
Azure DIĐắt hơn, quality thua Mistral, account Azure rườm rà cho non-tech.
Google VisionFree tier 1K/feature/month hấp dẫn — có thể document như "alternative miễn phí" trong spec, không phải default.
olmOCR / PaddleOCR-VL self-hostSOTA quality nhưng cần GPU + 5-15GB model. Document cho power user, không bundle.
DeepSeek-OCRNovelty mới (context optical compression — render text thành ảnh để nén KV cache LLM). Là OCR mạnh nhưng cần A100, chưa có hosted API. Document tham khảo cho power user, không bundle. Hướng "context compression" nằm ngoài scope Lumina.

6. Unresolved questions cho spec Phase C

7. Tham khảo

Mistral OCR — chính thức

Benchmark & review

Self-host alternatives